[发明专利]基于改进TimeGan模型的小样本数据故障诊断方法

说明书

本发明公开了一种基于改进TimeGan模型的小样本数据故障诊断方法，具体为：读取原始数据，将原始数据分类为正常数据和故障数据；对正常数据、故障数据进行预处理，得到深度学习训练所需的故障数据样本和正常数据样本；对TimeGan进行对抗训练，得到训练好的TimeGan模型；利用训练好的TimeGan模型进行扩充数据，得到合成的故障数据样本，将合成的故障数据样本、故障数据样本和正常数据样本合并，得到数据集；按照指定比例先将数据集划分为训练集和测试集，之后再对训练集和测试集中的每个数据样本进行归一化处理，最后对训练集和测试集中的每个数据样本进行Harr小波特征提取和时域统计参量特征提取。

技术领域

本发明属于铁路道岔故障判断技术领域，具体涉及一种基于改进TimeGan模型的小样本数据故障诊断方法。

背景技术

道岔是保证铁路系统安全运营的关键信号设备之一，维护其安全稳定对于保证铁路安全运行具有重要的意义。目前，我国对道岔安全性的监测主要依靠微机监测系统采集相关信息，通过专业人员主观判断监测信号设备运行的健康状态。这种与人工结合的方式不仅有悖于铁路智能化、信息化的发展，而且故障诊断的准确性会受人为因素影响，几乎完全依赖经验，不能准确描述损伤，同时造成了巨大的人力物力损失。类别平衡且数量充足的训练样本是保证人工智能算法具有出色泛化能力的重要前提。

另外，由于道岔异常状态为小概率事件，加上相关信息记录不完善，导致道岔故障样本的数量十分匮乏，并且故障状态和正常状态的样本比例不平衡。因此采用机器学习算法对此类不平衡数据集进行分类过程时会出现训练模型会偏向于多数类、对少数类样本的诊断性能不高、以及对少量样本的故障类别出现较高的误诊率的问题。目前，国内外基于神经网络、贝叶斯学习法、支持向量机等机器学习算法在道岔故障诊断取得了较好的的应用成效。但在铁路道岔系统的运行过程中，故障信号的漏判造成的后果十分严重远远大于正常设备的误判。因此，在道岔数据分布非均衡的基础上有效提升机器学习故障诊断性能这一研究领域受到了极大关注。

发明内容

本发明的目的是提供一种基于改进TimeGan模型的小样本数据故障诊断方法，解决了道岔数据不平衡、高故障诊断准确性低的问题。

为了达到上述目的，本发明所采用的技术方案是：一种基于改进TimeGan模型的小样本数据故障诊断方法，具体按照以下步骤实施：

步骤1，读取原始数据，将原始数据分类为正常数据和故障数据；

步骤2，对步骤1中的正常数据、故障数据进行预处理，得到深度学习训练所需的故障数据样本和正常数据样本；

步骤3，采用步骤2得到的故障数据样本对TimeGan进行对抗训练，得到训练好的TimeGan模型；

步骤4，利用训练好的TimeGan模型进行扩充数据，得到合成的故障数据样本，将合成的故障数据样本、故障数据样本和正常数据样本合并，得到数据集；

步骤5，按照指定比例先将数据集划分为训练集和测试集，之后再对训练集和测试集中的每个数据样本进行归一化处理，最后对训练集和测试集中的每个数据样本进行Harr小波特征提取和时域统计参量特征提取；

步骤6，选用PCA对步骤5得到的训练集和测试集的Harr小波特征、时域统计参量特征的特征向量进行特征选择，确定测试样本的特征向量集和训练样本的特征向量集；

步骤7，计算测试样本的特征向量与每类训练样本的特征向量的加权欧式距离；

步骤8，采用KNN算法确定待分类测试样本的类别。

本发明的技术方案，还具有以下特点：

作为本发明技术方案的进一步改进，在所述步骤1中，采用遗传交叉变异的方法对步骤1中的故障数据进行预处理，得到深度学习训练所需的原始故障样本。